Google представила Gemini 3.8 Flash TTS для выразительной генерации речи
23 сентября Google представила две модели синтеза речи: Gemini 3.8 Flash TTS для творческой режиссуры и Flash-Lite TTS для более объемных и чувствительных к стоимости задач. В анонсе компания описывает создание голоса по текстовой инструкции, раздельную озвучку диалога и управление темпом и эмоцией. Разработчики уже могут пробовать модели через Gemini API и Google AI Studio; Flash TTS также постепенно появляется в Gemini Notebook, а Flash-Lite - в Google Vids. Функция копирования голоса ограничена по регионам и требует подтверждения согласия на использование образца.
Что изменилось
Две модели рассчитаны на разные рабочие нагрузки
Flash TTS предназначена для выразительной постановки и создания характерных голосов. Flash-Lite TTS ориентирована на массовое озвучивание, где важны скорость и цена. Обе модели предоставляют управление интонацией и темпом, но выбор между ними следует проверять на полном сценарии: темп генерации, связность звучания, число дублей и стоимость проекта.
Можно описать голос словами
Google предлагает задавать роль, акцент и свойства голоса естественным языком, а затем управлять исполнением построчно. Это полезно для персонажей, подкастов, аудиокниг и диалогов, где одинаковая фраза должна звучать по-разному в зависимости от сцены. Компания заявляет поддержку более 100 языков и диалектов, однако качество и доступные характеристики стоит проверять отдельно для нужного языка.
Сценарий с двумя голосами можно собрать из одного текста
Модель поддерживает постановку разговора нескольких персонажей с чередованием реплик. В инструкциях можно задавать паузы, вздохи, смех и другие голосовые детали. Это может снизить потребность собирать короткий диалог из множества отдельных файлов, но длинный выпуск все равно нуждается в прослушивании на предмет ударений, произношения имен и стабильности персонажей.
Google заявляет маркировку и согласие для копирования
Анонс упоминает SynthID и C2PA для защиты генеративного аудио, а для клонирования голоса - согласие владельца записи и 30-секундный образец. Это не означает доступность голосовой репликации во всех странах: Google перечисляет регионы, где она недоступна, включая ЕЭЗ, Великобританию, Швейцарию, Индию и отдельные штаты США.
Проверьте сгенерированную речь как редактор, а не только на слух
Google представляет Flash TTS как модель с тонким управлением ролью, акцентом и исполнением, а Flash-Lite - как вариант для высокого объема и меньшей задержки. В анонсе перечислены более 100 языков, многоязычная библиотека голосов и двухперсонажные сцены. Там же приводятся результаты Hume AI и Voice Arena. Все заявления об оценках принадлежат Google и относятся к указанным тестовым условиям. В реальном производстве остаются отдельные ошибки: ударения в именах, числа и сокращения, повторяемость голоса между фрагментами, правдоподобное чередование реплик и качество конкретного диалекта.
Соберите 3-5 минут материала из будущего проекта: диалог, длинную фразу, имена, цифры, цитату и сложные слова. Создайте образец в обеих версиях TTS и прослушайте на обычных колонках и в наушниках. Попросите независимого редактора отметить ошибки произношения, интонации и смысловые акценты, а затем измерьте время, нужное на исправление. Если проект серийный, повторите тест на нескольких эпизодах и проверьте стабильность персонажей между днями и запросами. Для локализации проведите отдельную оценку носителем языка. В расчет включите перегенерации, постобработку и права на исходный голос.
Наличие SynthID или C2PA не освобождает издателя от правил раскрытия синтетического контента. Для клонирования голоса потребуется явное право на образец, а некоторые страны и регионы исключены из функции. Не обещайте точное воспроизведение голоса по одному демонстрационному ролику. Перед коммерческим выпуском сверяйте текущие условия API, ограничения продукта и требования площадки, где будет опубликована запись.
Что это дает пользователю
Для ролика или аудиокниги сравните один текст в Flash и Flash-Lite, оценив естественность, стабильность тембра и количество правок.
Проверьте произношение имен, чисел и терминов на длинном сценарии; короткая демонстрационная фраза не показывает сложные переходы.
Если вы создаете голоса персонажей, храните описание голоса и версию модели, чтобы переозвучка следующей главы не звучала иначе.
Для репликации используйте только запись с подтвержденным правом и ознакомьтесь с региональными ограничениями до подготовки материала.
Что нужно учитывать
Качество синтеза, лидерство в бенчмарках и число языков приводит Google; это не независимый тест на каждом языке и голосе.
Модели постепенно выходят на разные продукты, поэтому доступность в API, Notebook и Vids не совпадает по срокам.
Создание синтетического голоса и копирование реального человека - разные сценарии; для второго действуют отдельные ограничения согласия и доступности.
Коротко
Gemini 3.8 Flash TTS переводит синтез речи от выбора готового пресета к более подробной постановке голоса и диалога. Это может упростить черновое озвучивание и производство локализованного контента. Перед запуском важно проверить речь на полном материале, подтвердить права на голос и выбрать версию модели по качеству и стоимости, а не по короткой демонстрации.